El propósito del aprendizaje de representación es codificar las entidades y relaciones en un grafo de conocimiento como vectores de baja dimensión y valores reales a través de la tecnología de aprendizaje automático. Los métodos tradicionales de aprendizaje de representación como TransE, un método que modela relaciones interpretándolas como traducciones que operan en las incrustaciones de baja dimensión de las entidades de un grafo, son efectivos para aprender las incrustaciones de bases de conocimiento, pero tienen dificultades para modelar eficazmente relaciones complejas como uno a muchos, muchos a uno y muchos a muchos. Para superar los problemas anteriores, introducimos un nuevo método para la representación, razonamiento y completado de conocimiento basado en principios de multi-traducción y TransE (TransE-MTP). Al definir múltiples principios de traducción (MTPs) para diferentes tipos de relaciones, como uno a uno y relaciones complejas como uno a muchos, muchos a uno y muchos a muchos, y combinar MTPs con un modelo basado en traducción típica para modelar datos multi-relationales (TransE), el método propuesto, TransE-MTP, asegura que se puedan abordar múltiples objetivos de optimización y optimizar durante el entrenamiento en relaciones complejas, proporcionando así un rendimiento de predicción superior. Implementamos un prototipo de TransE-MTP para demostrar su efectividad en la predicción de enlaces y la clasificación de tripletes en dos conjuntos de datos de grafo de conocimiento prominentes: Freebase y Wordnet. Nuestros resultados experimentales muestran que el método propuesto mejoró el rendimiento tanto de TransE como de la incrustación de grafo de conocimiento mediante la traducción en hiperplanos (TransH), lo que confirma su eficacia y competitividad.